[發明專利]社交網絡圖片分享中的位置隱私保護方法、社交網絡平臺

有效

• 申請號: 201910167675.8
• 申請日: 2019-03-06
• 公開（公告）號: CN109993212B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 王祥;張潤東;裴慶祺
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06F18/2321
• 分類號: G06F18/2321;G06F18/214;G06N3/0464;G06F16/9535
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪;何畏

1.一種社交網絡圖片分享中的位置隱私保護方法，其特征在于，所述社交網絡圖片分享中的位置隱私保護方法包括：

首先從視覺隱私保護角度，通過對收集的地點圖像集進行圖像分割和聚類預處理，獲取圖像中各物體的分類標簽并篩選后，進行物體檢測模型的訓練；根據數據集中各類物體的統計信息，分別從數量和相對位置兩種策略對物體的隱私程度判定，得到隱私標簽后訓練隱私判別模型；

然后利用模型對社交網絡中的待分享圖片進行處理，隱私區域根據程度的不同以圖像修復方式進行隱私性的消除；將使用者的反饋作為數據輸入隱私判別模型進行更新；利用算法對輸入圖片進行處理，在對實際圖像內容擾動很小的前提下，使得機器目標檢測方法也無法正確檢測出圖像中存在的目標；

所述社交網絡圖片分享中的位置隱私保護方法具體包括：

(1)地點場景物體檢測；

步驟一，圖像數據收集；根據地點關鍵詞爬取相應的圖像數據，構建相應地點的圖像數據集；

步驟二，對數據集進行圖像分割處理；利用基于深度學習的圖像分割模型，對圖像數據集進行分割，獲得分割后的圖像塊集合；

步驟三，特征提取和分類；對上一步得到的圖像塊集合進行深度特征提取；將得到的4096維特征集合通過AP聚類算法進行分類，并分別加上類別標簽，這樣就得到了“圖像物體-特征-類別標簽”數據集；

步驟四，利用上一步得到的帶標簽的數據，訓練目標檢測模型，使得對于一張照片，能夠檢測出其中是否包含相關地點的物體；

(2)數量隱私保護策略；

步驟一，根據之前得到的圖像物體及類別標簽數據集，定義類別C_i的單類別相關性分數為其中N表示數據集中分割出的物體總數；

步驟二，由單類別相關性分數，定義出一個數值范圍[min-value,max-value]，并根據比例將該范圍劃分為三個區間，令θ₁和θ₂表示劃分區間的兩個閾值；類別相關性由下式定義：

步驟三，考慮到存在一張圖片中的不同物體，它們之間也存在著相關性；因此定義類別C_i和C_j的共同出現分數為：

其中S(C_i,C_j)表示它們的共同出現概率：

步驟四，單類別和多類別的相關性分數后，類別C_i最終的數量相關性分數表示為：

其中H(C_i)表示類別相關性高于C_i的集合，L(C_i)表示類別相關性低于C_i的集合；

(3)相對位置隱私保護策略；為了找出這種相對位置的模式和場景間的關聯性，使用物體的幾何中心來代表物體，中心點構成的多邊形作為這種模式的抽象表示；

(4)隱私判別模型和隱私保護；

第一步，由得到的數據集的數量隱私和相對位置隱私，訓練可以繼續學習的隱私判別的被動-主動分類模型，能對照片涉及到隱私的部分進行判定；還可以收集使用者的反饋，改進判別標準；

第二步，使用圖像修復算法對判別為隱私的區域進行處理；

(5)針對目標檢測器的圖像擾動，圖像擾動算法針對目前最有代表性的基于深度學習的目標檢測Faster-RCNN模型；X表示原圖像，δX表示為添加的擾動，處理后的圖像表示為X`＝X+δX。

2.如權利要求1所述的社交網絡圖片分享中的位置隱私保護方法，其特征在于，所述(3)相對位置隱私保護策略具體包括：

第一步，使用改進的轉向函數，兩種多邊形A和B之間的相似度定義為：

其中t_A(s)和t_B(s)分別表示多邊形A和B的轉向函數，θ表示旋轉角的大??；

第二步，確定θ的大小，定義d(A,B,θ)的偏導數為0來確定數值；

然后相似度函數就可以定義為：

之后，計算同一組內的兩兩多邊形之間的距離，得到一個n*n的距離矩陣；

第三步，使用離群值檢測的局部離群因子LOF方法計算同一組內每個形狀的LOF值，其中具有最小LOF值的模式作為該組的中心點，和中心點的距離小于閾值的模式被認為是需要進行隱私保護處理的。